Une plateforme logicielle de mining de données de forage en temps réel.

Projet N° : SII/138/2020

Promotion 2019 / 2020

​Présenté par : Soheib BOUDALI

Devant le jury composé de :

  • Mme H. DERIAS
  • Mme  F. OUAZAR

Proposé et dirigé par :

  • Pr. A. GUESSOUM
  • Mr. T.S. AHMEDI

Sommaire

  1. Contexte.
  2. Problématiques.
  3. Objectifs.
  4. Jeux de données.
  5. Fenêtrage de données.
  6. Apprentissage automatique.
  7. Conception.
  8. Challenges.
  9. Architecture.
  10. Perspectives.

Contexte

Contexte :

Le forage

Contexte :

Les Technologies d'informations dans le domaine du forage

Problématiques

Problématiques :

Economique

Problématiques :

Adaptation

Problématiques :

Temps de

non-Productivité

Objectifs

Objectifs :

L'independenceEconomique

Objectifs :

Adaptation de la solution selon les vrais besoins

Objectifs :

Reduction du temps de

non-productivité

Jeux de données

Jeux de données :

Présentation du dataset

Dataset Profondeur début (m) Profondeur fin (m) Taille
N1 13 1664 1651 * 8
N2 14 4040 4027 * 8
N3 11 2557 2547 * 8

Jeux de données :

Présentation des attributs

L'attribut Signification Unité
Depth Profondeur atteinte durant le forage. mètre (m)
WOB WOB Poids appliqué sur l’outil de forage. Tonne (t)
RPM Vitesse de rotation de l’outil de forage. Rot / min
TORQUE Force exercée sur la garniture de la part de la formation. foot pound
SPP Pression. psi
FLOW IN Quantité de boue de forage injectée. litre/min
BIT TIME Temps foré par un outil donné. h
ROP Taux ou vitesse de pénétration. m/heure

Jeux de données :

Nettoyage des données

Elimination des valeurs nulls : 

pd.dataFrame.isnull().sum
>>> 0

Elimination des données abérantes: 

pd.boxplot(dataFrame)

Jeux de données :

Extraction des caractéristiques

Matrice de Corrélation

Jeux de données :

Normalisation

X(i) =
Xi - min(X)
max( X ) - min ( X )

Jeux de données :

Partitionnement

  • Apprentissage : N-2

  • Validation : N-1

  • Test : N-3

Jeux de données :

Cadre d'étude

  • Big Data !

  • Classification supervisé !

  • Classification non-supervisé !

  • Traitement des series chronologiques !

Fenêtrage de données

Fenêtrage de données :

Caractéristiques

  • Largeur.

  • Décalage.

  • Partitionnement.

Fenêtrage de données :

Type 1

Fenêtrage de données :

Type 1

Fenêtrage de données :

Type 2

Fenêtrage de données :

Type 2

Apprentissage Automatique

Apprentissage automatique :

2 Méthodes

Prédiction du ROP

Prediction à 1 mètre dans le futur

Prediction à 10 mètres dans le futur

Apprentissage automatique :

Prédiction à un mètre dans le futur

Apprentissage automatique :

Prediction à 1 mètre dans le futur

BASELINE

Apprentissage automatique :

Prediction à 1 mètre dans le futur

Linear

Apprentissage automatique :

Prediction à 1 mètre dans le futur

ANN

Apprentissage automatique :

Prediction à 1 mètre dans le futur

CNN

Apprentissage automatique :

Prediction à 1 mètre dans le futur

LSTM

Apprentissage automatique :

Prediction à 10 mètres dans le futur

Apprentissage automatique :

Prediction à 10 mètres dans le futur

BASELINE Last

Apprentissage automatique :

Prediction à 10 mètres dans le futur

BASELINE Repeat

Apprentissage automatique :

Prediction à 10 mètres dans le futur

Linear

Apprentissage automatique :

Prediction à 10 mètres dans le futur

CNN

Apprentissage automatique :

Prediction à 10 mètres dans le futur

LSTM

Apprentissage automatique :

Approche supplémentaire

Apprentissage automatique :

Approche supplémentaire

AUTO REGRESSION

Conception

Les acteurs

Conception :

Administrateur

Moniteurs

Aggregateur

de données

Conception : Role de l'administrateur

Administrateur

  • Gestion des moniteurs

  • Gestion des aggregateurs

  • Gestion des puits

  • Mise en relation Moniteur / Puit

Conception : Role des moniteurs

Moniteur

  • Surveillance des puits

Conception : Role de l'aggregateur

Aggregateur

  • L'envoi des données

Conception :

Diagramme de classe

Conception : Digramme de classe

Challenges

Challenges :

1er Challenge

Le real Time

Challenges : 1er challenge ( le reel Time )

Brodcasting system

WEB SOCKET SERVER

Events

Channels

Challenges :

2eme Challenge

L'Optimisation

Challenges : 2eme challenge ( L'optimisation )

Grid Search

  • —  Fonctions d’optimisation

  • —  Nombre de couches cachées

  • —  Nombre de neurones dans les couches cachées

  • —  Nombre d’époques.

  • —  Taille du batch.

  • —  Taux d’apprentissage.

  • —  Fonctions d’activation.

  • —  L’arrêt conditionné .

Challenges :

3ème Challenge

Combinaison des modules

Combinaison

des modules

Challenges : 3eme challenge (                           )

WEB

 

Open source

 

APIs

Architecture

Architecture : Architecture globale

Architecture : Architecture Détaillé

Perspectives

Perspectives :

  • Amélioration des méthodes d'apprentissage.

  • Utilisation des méta-heuristiques.

  • Traitement des données relatives à l'extraction du gaz.

  • L'ajout d'un espace dédié aux partenaires

  • Classification non supervisé des plans de forage.

Merci !!

Questions ?

Presentation

By Soheib Boudali

Made with Slides.com

Presentation

  • 186

More from Soheib Boudali